层次分析法如何建立模型层次分析法可以用来解决评价类问题我们需要思考3个问题1.我们评价的目标是什么？ 2.我们为了达到这个目标有哪几种可选的方案 3.评价的准则或者说指标是什么？其中第三个问题需要根据背景资料或者搜集到的参考资料结合思考然后就可以绘制出一张表例如如何确定表中的数在确定影响某因素的诸因子在该因素中所占的比重时，遇到的主要困难 是这些比重常常不易定量化。此外，当影响某因素的因子较多时，
代码@1：根据所有的调用者生成一个HashCode，用该HashCode值来判断服务提供者是否发生了变化。 代码@2：获取服务提供者< dubbo:method/>标签的hash.nodes属性，如果为空，默认为160，表示一致性hash算法中虚拟节点数量。其配置方式如下：代码@3：一致性Hash算法，在dubbo中，相同的服务调用参数走固定的节点，hash.arguments表示哪些
机器学习（九）~聚类1. 聚类1.1 相似度度量1.2 类特征1.3 类间距2. 原型聚类2.1 K-means2.2 学习向量量化2.3 高斯混合聚类3. 密度聚类4. 层次聚类4.1 三要素4.2 层次聚合聚类算法 1. 聚类聚类既可用于发掘数据内在分布结构，又可作为其他学习任务的前驱过程（如提前探索有几种用户类型）1.1 相似度度量(1)闵可夫斯基距离 (2)马哈拉诺比斯距离 (3)相关系
转载
2024-09-17 10:11:43
24阅读
文章目录一、聚类算法简介1. 认识聚类算法1.1 聚类算法在现实中的应用1.2 聚类算法的概念1.3 聚类算法与分类算法最大的区别2 小结二、聚类算法api初步使用1. api介绍2. 案例2.1流程分析2.2 代码实现3. 小结三、聚类算法实现流程1. k-means聚类步骤2. 案例练习3. 小结四、模型评估1. 误差平方和(SSE \The sum of squares due to er
无监督学习无监督学习是机器学习的一种方法，没有给定事先标记过的训练示例，自动对输入数据进行分类或分群。 无监督学习的优点： ①算法不受监督信息（偏见）的约束，可能考虑到新的信息。 ②不需要标签数据，极大程度上扩大数据样本 主要应用：聚类分析、关联规则、维度缩减应用最广的是：聚类分析（clustering）聚类分析聚类分析又称为群分析，根据对象的某些属性的相似度，将其自动化分为不同的类别。简要举几个
转载
2024-07-14 19:28:33
33阅读
这是今天读的第二篇论文，EfficientDet: Scalable and Efficient Object Detection。论文地址以引用方式出现，听起来好像挺酷，其实大家根本不会看的，对吧 = =这篇论文主要讨论了两个方面，加权双向特征金字塔网络（BiFPN）也是本文重点，另一方面提出改进型网络EfficientDet，可以同时统一缩放所有骨干网、特征网络和框/类预测网络的分辨率、深度和
转载
2024-07-31 12:17:52
326阅读
Adaboost数据权重与弱分类器
刚刚已经介绍了单层决策树的原理，这里有一个问题，如果训练数据保持不变，那么单层决策树找到的最佳决策点每一次必然都是一样的，为什么呢？因为单层决策树是把所有可能的决策点都找了一遍然后选择了最好的，如果训练数据不变，那么每次找到的最好的点当然都是同一个点了。
所以，这里Adaboost数据权重就派上用场了，所谓“数据的权重主要用于弱分类器寻找其分类误差最小的点”，
转载
2024-04-12 05:09:50
133阅读
1.原型聚类：典型的做法是K-means，首先设定k个类别，随机的在总体样本中选择k个样本作为聚类中心，然后遍历所有样本点，把所有样本点分类到k个类中（以最短距离为标准），然后更新k个样本的样本中心，再重新划分所有的样本点。停止条件可以设定为样本的变化幅度不大的情况，或者两次的损失函数变化不大的情况。优点：简单、时间复杂度、空间复杂度低缺点：随机初始化的中心点对结果影响很大；2.层次聚类：就是对所
转载
2024-11-01 13:27:24
53阅读
我们在用逻辑回归、决策树等模型方法构建分类模型时，经常需要对自变量进行筛选，比如我们有200个候选自变量，通常情况下，不会直接把200个变量直接放到模型中去进行拟合训练，而是会用一些方法，从这200个自变量中挑选一些出来，放进模型，形成入模变量列表。 挑选入模变量过程是个比较复杂的过程，需要考
转载
2024-07-31 10:54:28
600阅读
relief算法Relief算法最早由Kira提出，最初局限于两类数据的分类问题。Relief算法是一种特征权重算法(Feature weighting algorithms)，根据各个特征和类别的相关性赋予特征不同的权重，权重小于某个阈值的特征将被移除。Relief算法中特征和类别的相关性是基于特征对近距离样本的区分能力。算法从训练集D中随机选择一个样本R，然后从和R同类的样本中寻找最近邻样本H
转载
2024-03-18 09:23:39
124阅读
# 理解与实现 Python 特征权重
在机器学习中，特征权重是衡量每个特征对模型预测贡献的重要指标。理解特征权重不仅可以帮助你优化模型，还可以提高模型的可解释性。本文将指导刚入行的小白如何在Python中实现特征权重的计算和可视化。
## 整体流程概览
下面是实现特征权重的大致步骤：
| 步骤 | 描述 |
| ---- | ---- |
| 1 | 导入所需的库 |
| 2 | 准备数
原创
2024-09-02 06:32:19
247阅读
目录训练、验证、测试集偏差、方差机器学习基础正则化为什么正则化有利于预防过拟合dropout正则化理解dropout其它正则化方法归一化输入梯度消失/梯度爆炸神经网络的权重初始化梯度的数值逼近梯度检验梯度检验应用的注意事项【此为本人学习吴恩达的深度学习课程的笔记记录，有错误请指出！】训练、验证、测试集
应用深度学习是一个典型的迭代过程，需要多次循环往复，才能为应用程序找到一个称心的神经网络
在派生类中重新定义基类中的虚函数，是函数重载的另一种形式。 但虚函数与一般重载函数有区别，具体区别在于： (1) 重载函数的调用是以所传递参数序列的差别作为调用不同函数的依据；而虚函数是根据对象的不同去调用不同类的虚函数。 (2) 重载函数在编译时表现出多态性，是静态联编；虚函数则在运行时表现出多态性，是动态联编。**(3) 构造函数可以重载，析构函数不能重载；正好相反，构造函数不能定义为虚函数，
relief算法Relief算法最早由Kira提出，最初局限于两类数据的分类问题。Relief算法是一种特征权重算法(Feature weighting algorithms)，根据各个特征和类别的相关性赋予特征不同的权重，权重小于某个阈值的特征将被移除。Relief算法中特征和类别的相关性是基于特征对近距离样本的区分能力。算法从训练集D中随机选择一个样本R，然后从和R同类的样本中寻找最近邻样本H
转载
2024-04-20 22:22:06
165阅读
特征值分解和奇异值分解（SVD）在主成分分析（PCA）和机器学习领域都有广泛的应用。PCA的实现由两种方法，一种是特征值分解，另一种是奇异值分解，特征值分解和奇异值分解的目的是一样的，都是提取出一个矩阵最重要的特性。特征值线性代数中对特征值和特征向量的定义：设A是n阶方阵，如果存在 λ 和n维非零向量x，使 Ax=λxAx=λx，则 λ 称为方阵A的一个特征值，x为方阵A对应于或属于特征值 λ 的
转载
2024-10-17 21:57:24
54阅读
无监督特征选择算法Filter方法只使用数据的内在属性，不使用聚类等其他辅助方法速度快单变量Information based methodsSUD(Sequential backward selection method for Unsupervised Data)
基于距离相似度的熵值作为指标，进行相关性排序，选择特征SVD-Entropy
过其奇异值来测量原始数据矩阵的熵，评估每
转载
2024-07-31 10:40:52
77阅读
前言移植了各种caffe，是时候进行下一步操作了，先拿可视化下手吧。大部分内容可能跟网上的方法不一样环境：微软caffe+wind7+matlab2013a参考：http://caffe.berkeleyvision.org/tutorial/interfaces.html http://nbviewer
转载
2024-05-08 09:54:18
131阅读
一、函数重载的概念1、同名函数，参数不同（包括类型、顺序不同）2、全局函数和类的成员函数同名不算重载，因为函数的作用域不同（全局函数被调时应加“：：”标志） 二、成员函数的重载、覆盖与隐藏1、成员函数被重载的特征： a、相同的范围（在同一个类中） b、函数名字相同 c、参数不同 d、virtual关键字可有可无2、覆盖是指派生类函数覆盖基类函数，特征是： a、不同的范围（分别位
转载
2024-04-06 08:43:59
81阅读
特征值和特征向量的概念 由特征向量的性质我们知道，它满足加法封闭性和数乘封闭性。于是构成了n维空间的子空间。 求特征值就有可能遇到重根的情况，我们下面具体讨论一下。 这里的代数重数实际上就是指的特征值有几重根。而几何重数是指该特征值所对应的特征向量所构成的空间的维数。几何重数永远小于等于代数重数。如果代数重
转载
2024-05-10 11:56:21
223阅读
循环神经网路基本的循环神经网络下图是一个简单的循环神经网络，它由输入层、隐藏层和一个输出层组成。 其中，x 是输入层的值，U是输入层到隐藏层的权重，s是隐藏层的输出的值，V是隐藏层到输出层的权重，o是输出，环神经网络的隐藏层的值s不仅仅取决于当前这次的输入x，还取决于上一次隐藏层的值s。权重矩阵 W就是隐藏层上一次的值作为这一次的输入的权重。如果将上图展开，就如下图所示： 现在看上去就比较清楚
